陳 斌，金 堃，李 宏

(寧波大學信息科學與工程學院，浙江寧波315000)

0 引言

隨著我國經(jīng)濟的快速發(fā)展，高層建筑越來越多。在高層建筑施工過程中，爬架起著越來越重要的作用［1，2］。爬架的控制系統(tǒng)不僅用于控制爬架運行狀態(tài)(如啟動、停止)和監(jiān)測爬架載荷，更需要對爬架可能出現(xiàn)的危險狀況(如超載、失載等)進行報警，從而防止險情的發(fā)生。

傳統(tǒng)爬架控制系統(tǒng)一般使用重力傳感器來檢測爬架系統(tǒng)的載荷，當爬架超載或失載時，系統(tǒng)進行警報。但是，爬架運行時，實際情況十分復雜，爬架主體的傾斜或者爬升速度異常都可能出現(xiàn)險情，而傳統(tǒng)爬架控制系統(tǒng)并不能對這些情況進行有效的檢測。通過在系統(tǒng)中增加傾角傳感器和位置傳感器，在測量載荷的同時，也對傾斜角度和爬升速度進行測量，以便從不同的角度對危險情況作出評估。在獲得多傳感器數(shù)據(jù)的情況下，使用怎樣的預警策略對預警的準確性和爬架系統(tǒng)的可靠性都有著重要的影響。一般的方案是當某一參數(shù)超過預警值時，系統(tǒng)發(fā)出報警信號，但這種報警策略只反映了爬架的局部特性，并不能準確地反映整個爬架的安全狀態(tài)，不能起到很好的預測效果。

針對上述情況，本文提出了一種通過多傳感器數(shù)據(jù)融合技術(shù)提高爬架控制系統(tǒng)安全預警性能的方法，該方法基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合［3～6］。它通過將載荷、傾角和速度進行數(shù)據(jù)融合，使得傳感器之間的信息得以互補，較好地反映爬架的實際運行狀況。通過驗證，該方案明顯提高了預警的準確性，從而提高了系統(tǒng)的可靠性。

1 爬架控制系統(tǒng)結(jié)構(gòu)

爬架控制系統(tǒng)主要由一個主控器和多個分控器組成。分控器作為融合算法的硬件載體，它外接3只傳感器:傾角傳感器、重力傳感器以及位置傳感器，分別測量爬架的傾斜角度、拉力以及高度，其中，高度的變化率即為爬架速度。融合算法的軟件實現(xiàn)是將3只傳感器的數(shù)據(jù)通過神經(jīng)網(wǎng)絡(luò)進行融合、判斷，從而對險情做出報警。主控器通過CAN總線與多個分控器相連，分控器將融合結(jié)果和各傳感器數(shù)據(jù)通過CAN總線上傳到主控器，主控器將啟動、停止等指令下發(fā)給分控器。爬架控制系統(tǒng)的結(jié)構(gòu)圖如圖1所示。

圖1 爬架控制系統(tǒng)結(jié)構(gòu)圖Fig 1 Structure diagram of climbing scaffold control system

2 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法

2.1 數(shù)據(jù)的融合技術(shù)

數(shù)據(jù)融合是一個多級、多層面的數(shù)據(jù)處理過程，主要完成對來自多個信息源的數(shù)據(jù)進行自動檢測、關(guān)聯(lián)、估計及組合等的處理［7，8］。根據(jù)數(shù)據(jù)處理的分辨率可以將數(shù)據(jù)融合的結(jié)構(gòu)分為像素級融合、特征級融合、決策級融合。根據(jù)爬架系統(tǒng)的要求，采用基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法，這是一種特征級融合。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP算法是一種用來訓練非線性網(wǎng)絡(luò)的隨機最快下降法，網(wǎng)絡(luò)訓練包括前向計算和反向傳播兩個過程，通過敏感性的反向傳播來調(diào)整網(wǎng)絡(luò)參數(shù)，直到誤差滿足要求為止。敏感性的反向傳播公式為［9］

權(quán)值和偏置值更新的公式為

其中，sn為敏感度矩陣;bn為偏置值矩陣;pn為未通過傳輸函數(shù)的輸出向量;α為學習速度;on為通過了傳輸函數(shù)的輸出向量;t為期望的網(wǎng)絡(luò)最終輸出矩陣;Wn為權(quán)值矩陣;y為實際的網(wǎng)絡(luò)最終輸出陣;Fn(pn)=)為傳輸函數(shù)的導數(shù)。

通過不斷地對比與調(diào)整，本文選擇了由4變量輸入層、1層隱含層和1變量輸出層構(gòu)成的BP網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig 2 Structure diagram of BP neural network

借助Matlab神經(jīng)網(wǎng)絡(luò)工具箱對樣本進行訓練，可以得到網(wǎng)絡(luò)的權(quán)值和偏置值。

2.3 訓練樣本的選擇

樣本的選取對網(wǎng)絡(luò)性能的影響十分關(guān)鍵，在選取樣本時，既要考慮到正常情況下的樣本，也要考慮到各種各樣的故障樣本。爬架在運行過程中，可能會出現(xiàn)的情況可分為以下幾類:正常運行、速度異常、載荷異常、電機故障以及爬架傾斜等。針對這些，采集了一系列訓練樣本，由于樣本間的數(shù)據(jù)差異較大，需要對其進行歸一化處理，這里采用min-max標準化的歸一化方法，轉(zhuǎn)換函數(shù)如下

其中，x*是歸一化后的樣本值，x是歸一化前的樣本值，max，min分別為樣本的最大和最小值。

本設(shè)計的部分樣本數(shù)據(jù)和歸一化之后的數(shù)據(jù)如表1所示。

表1 部分樣本數(shù)據(jù)表Tab 1 Table of part of sample data

其中，序號1為正常運行的樣本;2，3是速度異常的樣本;4是電機故障的樣本;5是爬架傾斜的樣本;6是載荷異常的樣本。預測輸出T小于0.60時，系統(tǒng)判定為安全;大于0.60且小于0.85時，判定為警告;大于0.85時，判定為危險。

2.4 網(wǎng)絡(luò)參數(shù)的確定

建立BP神經(jīng)網(wǎng)絡(luò)最重要的是網(wǎng)絡(luò)權(quán)值與偏置的確定。通過訓練對隱含層神經(jīng)元的個數(shù)和傳輸函數(shù)進行調(diào)整，使得網(wǎng)絡(luò)的運行效率和融合結(jié)果都比較合適。最終的網(wǎng)絡(luò)結(jié)構(gòu)是:隱含層包含10個神經(jīng)元，作用函數(shù)為tansig函數(shù)，輸出層作用函數(shù)是purelin函數(shù)。BP神經(jīng)網(wǎng)絡(luò)的訓練過程在Matlab中實現(xiàn)［10］，訓練結(jié)束后，可得到網(wǎng)絡(luò)的權(quán)值與偏置值。網(wǎng)絡(luò)訓練過程的誤差變化如圖3所示，均方差在第137步達到0.0052665。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓練過程誤差曲線Fig 3 Error curve of BP neural network training process

3 融合算法的實現(xiàn)

3.1 分控器硬件結(jié)構(gòu)

作為融合算法的硬件載體，分控器的硬件主要由數(shù)據(jù)采集部分、數(shù)據(jù)融合部分、數(shù)據(jù)傳輸部分組成，除此之外，還有電源部分、顯示部分，以及電氣控制部分，結(jié)構(gòu)框圖如圖4所示。

圖4 分控器結(jié)構(gòu)框圖Fig 4 Structure block diagram of sub controller

數(shù)據(jù)采集部分包括傳感器接口和信號調(diào)理電路。數(shù)據(jù)融合部分是通過單片機實現(xiàn)融合算法。所有數(shù)據(jù)都在CAN總線上傳輸。

3.2 分控器軟件設(shè)計

分控器的軟件結(jié)構(gòu)也可分為數(shù)據(jù)采集部分、數(shù)據(jù)融合部分、數(shù)據(jù)傳輸部分、顯示部分以及控制部分，分控器軟件的流程圖如圖5所示。

圖5 分控器軟件流程圖Fig 5 Flow chart of sub controller software

其中，數(shù)據(jù)融合部分是核心，完成的是矩陣的運算，計算公式為:y=f2(W2f2(W1X+b1)+b2)，其中，W1，W2，b2，b1是通過訓練得到的網(wǎng)絡(luò)參數(shù)，在軟件中可用常數(shù)數(shù)組實現(xiàn)。f1，f2是網(wǎng)絡(luò)的傳輸函數(shù)，由于控制器對數(shù)學函數(shù)的計算速度比較慢，可以采用查表的方式實現(xiàn)，可提高計算速度，具體流程如圖6所示。

圖6 數(shù)據(jù)融合流程圖Fig 6 Flow chart of data fusion

4 系統(tǒng)測試

由于現(xiàn)場測試十分困難，本文模擬了幾種爬架運行過程中實際可能會出現(xiàn)的情況，并測得幾組測試數(shù)據(jù)。將測試數(shù)據(jù)分別輸入到分控器和Matlab中構(gòu)建的神經(jīng)網(wǎng)絡(luò)，得到2組融合結(jié)果。

為了和傳統(tǒng)的爬架控制系統(tǒng)對比，對傳統(tǒng)的爬架控制系統(tǒng)也進行了測試，該控制系統(tǒng)的判決函數(shù)如下

最后的測試結(jié)果如表2所示。

表2 測試數(shù)據(jù)表Tab 2 Table of test data

由表2可知，Matlab輸出的結(jié)果與分控器的輸出結(jié)果十分接近。這說明在Matlab中構(gòu)建的神經(jīng)網(wǎng)絡(luò)應用在分控器上效果良好，分控器的輸出通過式2～6判決后，與預測輸出完全一致，而傳統(tǒng)爬架控制系統(tǒng)的判決結(jié)果中，第5，7，8三組漏報了險情。因此，基于融合算法的系統(tǒng)具有很好的報警準確性。

5 結(jié)束語

本文就傳統(tǒng)的爬架控制系統(tǒng)安全評估角度單一，報警準確率低的缺陷，提出在增加角度傳感器和拉線傳感器的基礎(chǔ)上，通過對BP神經(jīng)網(wǎng)絡(luò)學習過程的研究和對分控器硬件平臺的搭建及軟件結(jié)構(gòu)的分析，將基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合算法應用在爬架控制系統(tǒng)中。測試結(jié)果表明:該融合算法不僅能多角度評估系統(tǒng)的安全性，而且可以明顯地提高預警準確性和系統(tǒng)的可靠性。

［1］強阿梅.導軌式爬架在高層建筑中的應用［J］.山西建筑，2002，28(2):69-70.

［2］宋 健.爬架在高層建筑施工中的應用研究［J］.黑龍江科技信息，2013(8):277.

［3］Kokar M，Kim K.Review of multisensor data fusion architectures and techniques［C］∥Proceedings of 1993 IEEE International Symposium on Intelligent Control，IEEE，1993:261-266.

［4］Luo R C，Yih C C，Su K L.Multisensor fusion and integration:Approaches，applications，and future research directions［J］.Sensors Journal，IEEE，2002，2(2):107-119.

［5］程利民，孔 力，李新德.信息融合方法及應用研究［J］.傳感器與微系統(tǒng)，2007，26(3):4-9.

［6］黃漫國，樊尚春，鄭德智，等.多傳感器數(shù)據(jù)融合技術(shù)研究進展［J］.傳感器與微系統(tǒng)，2010，29(3):5-12.

［7］康耀紅.數(shù)據(jù)融合理論及應用［M］.2版.西安:西安電子科技大學出版社，2006.

［8］Lawrence A Klein.多傳感器數(shù)據(jù)融合理論及應用［M］.戴亞平，譯.北京:北京理工大學出版社，2004:37-57.

［9］Martin T Hagan.神經(jīng)網(wǎng)絡(luò)設(shè)計［M］.戴 葵，譯.北京:機械工業(yè)出版社，2002:197-221.

［10］張德豐.Matlab神經(jīng)網(wǎng)絡(luò)應用設(shè)計［M］.北京:機械工業(yè)出版社，2009:92-119.